Hunyuan Hyra 2.0: od automatycznych badań po projektowanie białek. Możliwości, wyniki testów i API

Czym jest Hunyuan Hyra 2.0?

Hyra 2.0 to automatyczny agent badawczy Tencent Hunyuan, a nie zwykły model do rozmowy

Model do rozmowy odpowiada na pytania. Agent badawczy ma pracować nad problemem, którego rozwiązanie da się sprawdzić, aż uzyska wynik. Tencent nazywa Hyrę Hunyuan Research Agent. Opublikowane rezultaty dotyczą trenowania małych modeli, operacji na GPU, trudnych problemów matematycznych, obwodów kwantowych, modelowania białek i algorytmów prognozowania.

Zwykły czat może na przykład wyjaśnić, „jak przyspieszyć trening”. Cel agenta badawczego jest bliższy zadaniu: „zmień skrypt treningowy, przeprowadź eksperymenty, uzyskaj nowe pomiary i zostaw kod oraz logi do sprawdzenia”. Naszym zdaniem najważniejsze pytanie o Hyrę nie brzmi więc, czy naturalnie rozmawia. Ważniejsze jest to, czy jej rozwiązania można odtworzyć, czy przewyższają dotychczasowe wyniki odniesienia i czy uzasadniają zużycie zasobów obliczeniowych.

Publiczne repozytorium Tencent Hyra-results zawiera głównie końcowe rozwiązania i część skryptów do odtwarzania eksperymentów. Nie ujawnia w pełni sposobu organizacji badań agenta, strategii wyszukiwania ani modelu, na którym agent działa. Repozytorium wyników Hyra

Wyniki eksperymentów kierują badaniami: kod, ocena i weryfikacja tworzą wspólny proces

Publiczne wyniki Hyry mają wspólną cechę: problemy zwykle mają cel, który da się obliczyć. Na przykład im niższa strata na zbiorze walidacyjnym po treningu, tym lepiej; im krótszy trening przy tej samej dokładności, tym lepiej; im mniej dodatkowych bramek w obwodzie kwantowym, tym lepiej. Dzięki temu dobry pomysł może stać się konkretnym kodem, zapisem wykonania lub materiałem dowodowym, zamiast pozostać przekonująco brzmiącym wyjaśnieniem.

Proponujemy rozumieć taki sposób badań jako cztery kroki z jasnym wynikiem do sprawdzenia: określenie docelowej metryki, tworzenie kandydatów na rozwiązanie, ocena w zewnętrznym środowisku i zapis wyników, które przeszły weryfikację. To schemat wywnioskowany z opublikowanych rezultatów, a nie informacja, że Tencent ujawnił całą wewnętrzną architekturę Hyra 2.0.

Dla zwykłego użytkownika najprostszy przykład to: „pomóż nam przyspieszyć program, który już działa”. Trzeba jednak dostarczyć dane testowe, środowisko uruchomieniowe i jasne kryteria sukcesu. Samo polecenie „ulepsz algorytm” nie mówi nawet bardzo dobremu modelowi, po czym poznać, że zadanie zostało wykonane.

Hyra 2.0 stworzyła modele białek, ale te modele nie są samym agentem

W chwili weryfikacji Tencent udostępniał w repozytorium wyników dwa szczególnie ciekawe projekty. HyInv to model odwrotnego fałdowania białek o około 1,96 mln parametrów, który tworzy sekwencję aminokwasów na podstawie szkieletu białka. HyPLM-Flash to białkowy model językowy o około 650 mln parametrów, przeznaczony do reprezentowania sekwencji białek i powiązanych zadań predykcyjnych. README obu projektów podaje, że wytrenowała je Hyra 2.0.

Warto wyraźnie oddzielić te pojęcia: HyInv i HyPLM-Flash to samodzielne modele, których kod i wagi można pobrać i uruchomić zgodnie z instrukcją. Nie są ogólnym modelem konwersacyjnym o nazwie hyra-2.0. Pierwszy projektuje sekwencję na podstawie struktury, a drugi koduje sekwencje do dalszej analizy. Dla badacza to bardziej konkretne niż hasło „AI potrafi prowadzić badania”, bo można zacząć od odtworzenia jasno określonego zadania.

Dokumentacja projektów: README HyInv · README HyPLM-Flash

Główne możliwości i mocne strony Hunyuan Hyra 2.0

Automatyczne badania AI: ulepszanie sposobu trenowania małych modeli, a nie tylko porady

Naszym zdaniem pierwszą wartością Hyry jest automatyczne szukanie sposobów trenowania. Projekt nanochat_autoresearch udostępnia train.py, skrypty uruchomieniowe i pełne logi treningu. Opublikowana konfiguracja korzysta z jednej karty NVIDIA B200 i stałego budżetu około 300 sekund treningu, uzyskując walidacyjne BPB 0,901543. W uproszczeniu BPB to miara straty oceniająca przewidywanie tekstu; w tym zadaniu niższy wynik jest lepszy.

Dla programisty oznacza to, że rezultatem badań nie jest ogólny poradnik „jak dostrajać parametry”. Są tu konkretne zmiany okna uwagi, ustawień optymalizatora, dodatkowych cech n-gramowych i harmonogramu treningu. Radzimy najpierw poznać te odtwarzalne zmiany, a potem ocenić ich przydatność we własnym modelu. Nie warto przenosić cudzej konfiguracji bez zmian na dane o zupełnie innej skali. Eksperyment nanochat

Optymalizacja operacji GPU: większa szybkość w kodzie, który można uruchomić

Przy optymalizacji GPU łatwo założyć, że bardziej zaawansowany kod będzie szybszy. W praktyce może działać wolniej lub błędnie obliczać część danych wejściowych. W SOL-ExecBench Hyra udostępnia część rzeczywiście zgłoszonych rozwiązań: operacje uwagi, dystrybucję MoE, mnożenie macierzy i operacje używane przy wnioskowaniu. Publiczny katalog zawiera 10 przykładów, które przeszły sprawdzenie poprawności, wraz z identyfikatorem zgłoszenia, czasem wykonania i oceną.

Szczególnie cenimy zachowanie informacji o poprawności. Na przykład jeden wariant Flash/GQA attention ma zapisane opóźnienie 0,177612 ms, ale liczba ta dotyczy wyłącznie danego zadania i sprzętu. Nie oznacza, że obliczenia uwagi w dowolnym modelu osiągną ten sam czas. Zespołom usług wnioskowania radzimy najpierw ustalić kształty wejść, precyzję, sprzęt i wersję kompilatora, a dopiero potem porównywać opóźnienia i zgodność wyników przed zmianą i po niej.

Wyniki operacji GPU

Odkrycia matematyczne: od możliwej odpowiedzi do dowodu, który można sprawdzić

Matematyka to kolejny obszar wart uwagi przy agentach badawczych. Repozytorium Hyry opisuje wyniki z geometrii, kombinatoryki i nierówności operatorowych. Na przykład dolne ograniczenie objętości trójwymiarowej bryły wypukłej o stałej szerokości podniesiono z około 0,380799 do 0,411040. Notatka dodana 2 listopada 2026 r. podaje też wynik dotyczący hipotezy Petty’ego o punktach równoodległych w pięciu wymiarach oraz kontrprzykład dla hipotezy Yau o działaniu okręgu w przypadku, który nie jest jednospójny.

Nie należy streszczać tych osiągnięć jako „AI rozwiązała wszystkie hipotezy matematyczne”. Bardziej interesuje nas zakres dowodu, to, co dokładnie potwierdziła weryfikacja formalna, oraz czy wynik nadal wymaga oceny matematyków. W poważnej pracy badawczej warto zachować oryginalną treść twierdzenia, wszystkie założenia, pliki dowodu i zapisy niezależnych kontroli, zanim zacznie się cytować wynik.

Katalog wyników matematycznych

Projektowanie białek: HyInv zamienia strukturę wejściową w kandydackie sekwencje aminokwasów

HyInv służy do konkretnego zadania: badacz ma już strukturę głównego łańcucha białka i chce zaprojektować sekwencje, które mogą do niej pasować. Projekt oferuje interfejs wiersza poleceń i Python. Obsługuje pliki strukturalne PDB, wybór łańcucha, unieruchamianie wskazanych pozycji i tworzenie wielu sekwencji z określonym ziarnem losowości. Publiczne wagi zajmują około 7,8 MB, a implementacja referencyjna działa na CPU lub GPU.

Korzyścią dla zespołu biotechnologicznego jest możliwość zaprogramowania powtarzalnego generowania sekwencji, ale nie utożsamiamy „wygenerowania sekwencji” z „odkryciem skutecznego leku”. Kandydaci nadal wymagają sprawdzenia struktury, stabilności i testów eksperymentalnych. Radzimy zacząć od kilku publicznych struktur, by sprawdzić formaty i wyniki, potem zastosować własny proces oceny struktur, a dopiero później przejść do eksperymentów.

Projekt HyInv i instrukcja uruchomienia

Analiza sekwencji białek: HyPLM-Flash lepiej pasuje do kodowania wsadowego i dalszych predykcji

HyPLM-Flash pełni inną rolę niż HyInv. Przyjmuje sekwencję białka i zwraca reprezentacje wektorowe poszczególnych reszt aminokwasowych lub całej sekwencji. Udostępnia też logity do oceny mutacji. Implementacja Tencent zawiera silnik wnioskowania INT8, dla którego podano przepustowość około 130 000 reszt na sekundę na jednej karcie H20. To wynik w środowisku określonym przez autora, a nie obietnica tej prędkości na każdej karcie.

Proponujemy traktować go jako „narzędzie do wydobywania cech sekwencji w systemie badawczym”. Można na przykład zakodować wiele białek i przekazać wektory do własnego programu klasyfikacji, grupowania lub przewidywania właściwości. Zwykłemu programiście bardziej przyda się zrozumienie, że wejściem jest sekwencja aminokwasów, a wyjściem wektory, niż skupianie się na 650 mln parametrów. Badaczom radzimy jednocześnie porównać dokładność, rozmiar partii i czas zimnego startu, aby wybrać INT8 albo BF16 do swojego zadania.

Projekt HyPLM-Flash

Benchmarki i wydajność Hunyuan Hyra 2.0

W tej części wykorzystujemy opublikowane przez Tencent dane eksperymentalne dla konkretnych zadań. Nie jest to ranking modelu czatowego Hyra 2.0 z jedną wspólną metodą pomiaru. Część liczb dokumentuje odkrycia systemu badawczego Hyra, a część ocenia samodzielne modele wytrenowane przez Hyra 2.0. Możliwość powtórzenia wyników we własnym zastosowaniu nadal zależy od środowiska testowego i punktu odniesienia.

Jakość treningu modelu językowego: walidacyjne BPB nanochat spadło z 0,9109 do 0,9015

Repozytorium Tencent zestawia wynik z podobnym rekordem opublikowanym przez Recursive. Poprzedni wynik wynosił 0,9109 BPB, a Hyra osiągnęła około 0,9015 BPB, co daje różnicę bezwzględną około 0,0094. Dokładny wynik Hyry to 0,901543 na 1× B200, przy czasie treningu około 300,1 s. Łącznie z przygotowaniem i oceną eksperyment trwał około 348,4 s. „Poprawa” oznacza tu niższą stratę walidacyjną, a nie wzrost ogólnej trafności odpowiedzi na pytania.

Nasza rada: Jeśli zespół optymalizuje trening małych modeli, można zacząć od odtworzenia tego projektu i sprawdzenia pamięci GPU, przygotowania danych i walidacji. W treningu komercyjnym nadal liczą się wyniki na własnym zbiorze i końcowy koszt. Nie należy przenosić zysku z pięciominutowego benchmarku na wszystkie rozmiary modeli.

Wynik nanochat Hyry · Punkt odniesienia Recursive

Szybkość treningu: nanoGPT Speedrun z około 77,5 s do 76,435 s

W eksperymencie nanoGPT Speedrun publiczny skrypt Hyry używa FP8 do obliczeń na dużych macierzach i zmienia plan treningu. W repozytorium zachowano trzy uruchomienia: 76,431; 76,467; 76,408 s, ze średnią 76,435 s i średnią stratą walidacyjną około 3,28007. W porównaniu z przytoczonym wynikiem odniesienia około 77,5 s czas skrócił się o około 1,1 s, czyli 1,4%.

Warunki tego wyniku są ściśle określone: 8× H100, odpowiednie wersje CUDA, PyTorch i Triton oraz konkretny zbiór danych. Średnia strata po zaokrągleniu wynosi 3,280. Wyświetlenie wartości 3,280 nie oznacza jednak, że każdy eksperyment uzyskał wynik ściśle poniżej 3,280.

Nasza rada: Warto rozważać te zmiany FP8 tylko przy zbliżonym środowisku treningowym. Najpierw odtworzylibyśmy co najmniej trzy przebiegi, porównując średnią, wahania i końcową stratę. Jeśli własny system korzysta już z innych operacji, lepiej zacząć od niewielkiego testu A/B.

Trzy eksperymenty nanoGPT Hyry

Ocena operacji GPU: SOL-ExecBench z 0,754 do 0,771

W publicznym porównaniu SOL-ExecBench łączny wynik SOL dla Recursive wynosił 0,754, a repozytorium Hyry podaje 0,771, czyli wzrost o 0,017. SOL określa, jak blisko granicy wydajności zdefiniowanej przez benchmark znajduje się implementacja. Nie jest to ogólna poprawność kodu na poziomie 77,1%. Tencent opublikował dodatkowo 10 przykładów ze sprawdzeniem poprawności, ale nie zastępują one pełnego zbioru benchmarkowego.

Nasza rada: Zespoły bram wnioskowania i usług GPU powinny najpierw testować operacje faktycznie obciążające ich system. Warto rejestrować opóźnienia P50/P95, przepustowość, pamięć GPU i błąd numeryczny. Najwyższy wynik pojedynczego mikrobenchmarku nie musi obniżać kosztu działania całej usługi.

Hyra SOL-ExecBench · Wyniki opublikowane przez Recursive

Trasowanie obwodów kwantowych: liczba dodatkowych CNOT spadła z 269 037 do 258 369

W obliczeniach kwantowych również występują mierzalne zadania optymalizacyjne. Gdy dwa kubity nie sąsiadują ze sobą na fizycznym urządzeniu, algorytm trasowania musi dodać operacje. Repozytorium Tencent dokumentuje 61 zweryfikowanych obwodów i porównuje wyniki z punktem odniesienia cytowanym przez SimpleTES na trzech topologiach: Q20, podobnej do Willow i podobnej do Heron:

Przy tej samej metodzie liczenia w tabeli oznacza to łącznie 10 668 mniej bramek CNOT, czyli spadek o około 4,0%. Mierzony jest narzut mapowania obwodu, a nie przyspieszenie całego komputera kwantowego o 4%.

Nasza rada: Jeśli zajmujesz się kompilacją obwodów kwantowych, najpierw sprawdź wygenerowany OpenQASM i ograniczenia połączeń. Jeśli wybierasz po prostu uniwersalny czat AI, wynik ten nie ma bezpośredniego związku z jakością codziennych odpowiedzi.

Projekt obwodów kwantowych · Publikacja SimpleTES

Wnioskowanie dla białek: HyPLM-Flash około 130 000 reszt/s, a HyInv projektuje całe partie w milisekundach

Ta grupa wyników dotyczy samodzielnych modeli stworzonych przez Hyra 2.0, a nie czasu działania całego agenta. Tencent podaje dla HyPLM-Flash około 130 000 reszt/s na jednej karcie H20 w konfiguracji INT8. W towarzyszącym porównaniu 32 zadań i 28 publicznych punktów kontrolnych model uzyskał korelację Spearmana zero-shot na ProteinGym równą 0,409, statystycznie zbliżoną do kilku enkoderów białek podobnej wielkości. Metryka opisuje korelację, nie dokładność klasyfikacji.

HyInv podaje z kolei, że wygenerowanie na H20 partii 128 projektów białek o długości około 148 zajmuje około 25 ms w zoptymalizowanej ścieżce BF16 i około 999 ms w implementacji referencyjnej. Pomiar nie obejmuje pierwszej kompilacji ani przechwycenia CUDA Graph. Między ścieżką zoptymalizowaną a referencyjną FP32 występują też różnice numeryczne, więc sama szybkość nie wystarcza do decyzji o zamianie.

Nasza rada: Zespół badań biologicznych powinien osobno ocenić jakość, przepustowość partii i odtwarzalność. Przy częstej pracy z jedną krótką sekwencją warto najpierw zmierzyć opóźnienie pierwszego żądania. Liczba reszt na sekundę ma pierwszeństwo dopiero przy dużych zadaniach wsadowych. Ocena sekwencji nie zastępuje też weryfikacji laboratoryjnej.

HyPLM-Flash · HyInv

Hunyuan Hyra 2.0 na tle Recursive, SimpleTES, TTT-Discover i AlphaEvolve

Porównujemy tu systemy automatyzacji badań lub środowiska badawcze. Nie są to cztery „modele konwersacyjne”, które można bezpośrednio podmieniać w jednym interfejsie czatu. Tam, gdzie istnieją wspólne zadania, korzystamy z ich wyników. Bez jednolitych testów porównujemy tylko sposób pracy i zastosowania.

Porównanie z Recursive: Hyra opublikowała dalsze ulepszenia w podobnych zadaniach automatycznych badań AI

First Steps Toward Automated AI Research od Recursive jest dość bezpośrednim punktem odniesienia. Publikacja opisuje trzy kierunki: trening małych modeli przy stałym budżecie, szybkość treningu i optymalizację operacji GPU. Hyra korzysta z tych wyników odniesienia w swoim publicznym katalogu:

Naszym zdaniem Hyra pokazała, że potrafi dalej poprawiać wskaźniki w tych opublikowanych zadaniach. Przy porównywaniu eksperymentów różnych organizacji nadal trzeba dokładnie sprawdzić kod, sprzęt i sposób oceny. Rada dla konkretnego zastosowania: Jeśli zespół bada algorytmy treningowe lub wydajność GPU, warto odtworzyć doświadczenia z obu repozytoriów. Jeśli potrzebujesz tylko gotowego API do obsługi klienta lub pisania, te wyniki nie są powodem do zmiany codziennego modelu.

Wyniki Hyry · Badania Recursive

Porównanie z SimpleTES: oba systemy stosują obiektywną ocenę, a Hyra potrzebuje mniej bramek w opublikowanym zadaniu kwantowym

SimpleTES bada, jak skalować cykl „kandydat na rozwiązanie, automatyczna ocena, dalsze poszukiwania”. Publikacja obejmuje 21 zadań badawczych z 6 dziedzin i podaje między innymi wyniki trasowania obwodów kwantowych. W publicznym porównaniu na trzech topologiach sprzętu Hyra zmniejszyła łączną liczbę dodatkowych CNOT z 269 037 do 258 369. W tym obszarze zaproponowała więc kolejne ulepszenie rozwiązania.

Nie utożsamiamy jednak „lepszego wyniku w jednym zadaniu” z „przewagą całego systemu we wszystkim”. Mocną stroną SimpleTES jest bardziej systematyczny opis oceny eksperymentów i strategii skalowania, przydatny do nauki budowania procesu optymalizacji badań. Rada dla konkretnego zastosowania: Chcesz stworzyć własną platformę automatycznych eksperymentów? Zacznij od metody SimpleTES. Chcesz obejrzeć konkretne ulepszenia trasowania kwantowego? Przejrzyj pliki OpenQASM Hyry.

Oryginalna publikacja SimpleTES · Wyniki trasowania kwantowego Hyry

Porównanie z TTT-Discover: dalsze uczenie podczas rozwiązywania zadania oraz późniejsze ulepszenia matematyczne Hyry

Cechą TTT-Discover jest dalsze uczenie modelu podczas pracy nad konkretnym zadaniem badawczym, zamiast wyłącznie wielokrotnego wysyłania poleceń do niezmiennego modelu. Publikacja przedstawia odkrycia w matematyce, operacjach GPU i analizie biologicznej oraz udostępnia kod do odtworzenia wyników. Repozytorium Hyry przywołuje wcześniejszy rekord stałej autokorelacji 1,502870 i podaje własny wynik 1,502850. Różnica jest niewielka, ale przy dokładnych ograniczeniach liczbowych nie można oceniać wartości badań wyłącznie na podstawie procentów.

Nie ma pełnego publicznego porównania obu metod przy jednolitym budżecie i warunkach eksperymentu. Rada dla konkretnego zastosowania: Do badania, jak model uczy się dalej w określonym zadaniu, warto zacząć od TTT-Discover. Do poznania sposobu przedstawiania rezultatów w kodzie, dowodach liczbowych i materiałach naukowych przyda się organizacja wyników Hyry.

Publikacja TTT-Discover · Wyniki matematyczne Hyry

Porównanie z Google AlphaEvolve: sprawdzalne wyniki badań i przykłady dużych wdrożeń produkcyjnych

AlphaEvolve od Google DeepMind również łączy modele językowe z automatyczną oceną, aby szukać lepszych algorytmów. Google opisało rzeczywiste wdrożenia w planowaniu pracy centrów danych, projektowaniu układów i treningu modeli. Przykładem jest odzyskanie średnio około 0,7% zasobów obliczeniowych centrów danych. To przypadek produkcyjny, a nie benchmark tego samego zadania u Hyry, dlatego nie zestawiamy obu liczb w jednej tabeli jako rozstrzygnięcia, kto wygrywa.

W Hyrze warto oglądać publiczne rezultaty badań matematycznych, kwantowych i białkowych. W AlphaEvolve interesujące jest doświadczenie przechodzenia od eksperymentów do działającej infrastruktury. Rada dla konkretnego zastosowania: Jeśli zarządzasz rzeczywistą usługą online, zacznij od podejścia AlphaEvolve do weryfikacji produkcyjnej i długoterminowych korzyści. Jeśli chcesz nauczyć się publikować wyniki, które inni mogą sprawdzić, katalogi tematyczne Hyry ułatwiają znalezienie pojedynczego eksperymentu do odtworzenia.

Google DeepMind AlphaEvolve · Postępy AlphaEvolve we wdrożeniach

Najczęstsze pytania o API Hunyuan Hyra 2.0

Dlaczego na liście modeli API Hop nie znajduję hyra-2.0?

Ponieważ obecny publiczny katalog nie wymienia Hyra 2.0 jako modelu tekstowego dostępnego do wywołania. Jeśli API Hop doda obsługę hyra-2.0, od razu zaktualizujemy informacje.

Dokumentacja wspólnego Chat Completions · Repozytorium wyników Hyra

Jak można wywoływać HyInv i HyPLM-Flash z programu?

Te dwa samodzielne modele wytrenowane przez Hyra 2.0 mają konkretne interfejsy, ale nie jest to wywołanie API agenta Hyra. HyInv obsługuje CLI i Python, na przykład:

# Uruchom w środowisku z zainstalowanym HyInv; structure.pdb to plik struktury dostarczony przez użytkownika
python -m hyinv design --pdb structure.pdb --n 16 --seed 0 --out designs.fasta

HyPLM-Flash udostępnia interfejs kodowania w Pythonie, na przykład:

from hyplm import HyPLMEncoder

# Najpierw pobierz, połącz i sprawdź wagi zgodnie z instrukcją projektu
encoder = HyPLMEncoder.from_pretrained("weights")
vectors = encoder.encode(["MKTAYIAKQRQISFVKSHFSRQ"], pooling="mean")

Radzimy wdrażać je jako osobne usługi. Najpierw zainstaluj zależności wskazane w repozytorium, a potem sprawdź wejścia i wyjścia na małej próbce. Przyspieszona implementacja HyPLM-Flash wymaga także CUDA, Triton i odpowiedniego środowiska GPU. Nie należy zakładać, że dowolny CPU lub karta graficzna uzyska oficjalnie podaną przepustowość.

Instalacja i wywołania HyInv · Instalacja i wywołania HyPLM-Flash

Dlaczego powtórzenie eksperymentu daje inny wynik i jak liczyć koszt?

Najpierw warto rozdzielić koszty wnioskowania modelu, odtwarzania treningu i pełnego agenta badawczego. Publiczny rekord nanochat uzyskano na jednej B200, a nanoGPT Speedrun używa ośmiu H100. Potrzebne są zgodne dane, sterowniki, zależności i ustawienia walidacji. Nawet przy identycznym kodzie zegary GPU, pamięć podręczna kompilacji, obciążenie i losowość mogą zmienić końcowe wskaźniki. Test przyspieszenia HyInv wyraźnie wyklucza też czas pierwszej kompilacji Triton i przechwycenia CUDA Graph.

Dlatego oceniamy trzy grupy wskaźników: czy jakość spełnia wymagania, ile trwa całe zadanie i ile zasobów potrzeba na każdy zweryfikowany wynik. Przy treningu zapisujemy godziny GPU i średnią z co najmniej trzech uruchomień. Przy wnioskowaniu online osobno mierzymy opóźnienie pierwszego żądania, przepustowość w stanie ustalonym, pamięć GPU i odsetek błędów. Dla agenta badawczego trzeba też doliczyć nieudane eksperymenty i czas kontroli przez człowieka. Obecnie nie ma możliwej do zweryfikowania ceny ogólnego API Hyra 2.0, więc nie podajemy wymyślonej stawki za tokeny.

Instrukcja odtworzenia nanochat Hyry · Instrukcja odtworzenia nanoGPT Speedrun